Smart supplier selection using N-cubic fuzzy aggregation: a case study in agricultural manufacturing
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The rapid evolution of communication and information technologies—such as cloud computing, the Internet of Things (IoT), big data analytics, and machine learning—has revolutionized traditional manufacturing, giving rise to intelligent and interconnected production ecosystems. These technological advancements not only streamline production processes but also reshape supplier selection strategies by incorporating both conventional and sustainability-oriented evaluation criteria. In light of these developments, this study proposes a novel multi-criteria group decision-making (MCGDM) framework for supplier selection under the N-Cubic Fuzzy Set (NCFS) environment. NCFSs offer a robust mathematical structure for capturing uncertain, vague, and imprecise information, particularly within the interval $$[-1 ,0]$$ , making them highly suitable for complex, real-world decision-making scenarios. To facilitate effective aggregation of expert judgments, three advanced aggregation operators are introduced: the N-Cubic Generalized Fuzzy Weighted Average (NCGFWA), the N-Cubic Generalized Fuzzy Ordered Weighted Average (NCGFOWA), and the N-Cubic Generalized Fuzzy Hybrid Weighted Average (NCGFHWA). These operators are designed to systematically consolidate the preferences of multiple decision-makers and produce a reliable ranking of potential suppliers. The proposed methodology is validated through a real-world case study involving a manufacturer of agricultural machinery and implements. The results demonstrate the practical effectiveness, flexibility, and robustness of the NCFS-based framework in supporting supplier selection within the paradigm of smart manufacturing.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle